基于数据分析和计算机视觉辅助的个性化公告方法及系统与流程

1.本发明涉及公告数据处理技术领域，具体而言，涉及一种基于数据分析和计算机视觉辅助的个性化公告方法及系统。


背景技术：

2.目前，网站公告在企业或者公众场所都是一项非常重要的消息通知形式。
3.但是，由于现阶段网站公告制作需要专业的公告制作人员，发布和推送也需要人工匹配，对于用户反馈有时会有响应时延。
4.当反馈不能得到及时回应时，用户体验感往往较差，而且对反馈的改进需要的时间也较长。


技术实现要素：

5.鉴于此，本发明的目的在于根据对用户观看公告的姿态行为分析，通过机器学习的方式将用户感兴趣并且关注多的同类型的公告信息，准确地推送给用户，以提高公告的时效性和准确性。
6.本发明提供基于数据分析和计算机视觉辅助的个性化公告方法，包括以下步骤：
7.s1、采集用户观看公告姿态的视频图像数据，记录观看者的姿态信息；
8.s2、使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据，分析判辨观看者的姿态信息；
9.s3、分析大量的公告内容、观看者的姿态信息以及其他与公告相关联的融合数据信息特征，使用混合推荐算法对所述融合数据信息特征进行数据训练，对将来的公告内容进行推理。
10.进一步地，所述s3步骤的使用混合推荐算法对所述融合数据信息特征进行数据训练的方法包括以下步骤：
11.s31、构建基于卷积神经网络cnn和/或回归神经网络rnn的混合推荐算法网络模型，初始化权值；
12.s32、输入数据到所述混合推荐算法网络模型的输入层，经过卷积层、下采样层、全连接层的向前传播，得到输出层的输出值；
13.s33、求出所述混合推荐算法网络模型的输出值与目标值之间的误差；当误差大于期望值时，将误差传回混合推荐算法网络模型中进行运算，依次求得全连接层、下采样层、卷积层的误差(各层的误差可以理解为对于网络的总误差，网络应承担多少)，直至误差等于或小于期望值；当误差等于或小于期望值时，结束训练；
14.s34、根据求得的等于或小于期望值的误差进行所述混合推荐算法网络模型的权值更新。
15.进一步地，所述s3步骤的所述融合数据信息特征的种类包括：
16.场所、时间、环境、公告内容、观看者反馈、观看者姿态中的一种或多种的组合。
17.进一步地，所述s2步骤的使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据的方法包括以下步骤：
18.s21、对采集到的用户视频图像数据(图片)进行缩放(resize)操作，将原始图像缩放成不同的尺度，生成图像金字塔，将不同尺度的图像送到三个子网络中进行训练，以实现多尺度目标检测；
19.该步骤的目的是为可以检测到不同大小的人脸，从而实现多尺度目标检测；
20.s22、获得用户人脸区域的候选框和边界框的回归向量p-net：通过第一个子网络的输出判断该图像是否存在人脸；通过第二个子网络的输出给出候选框和边界框的精确位置；通过第三个子网络的输出给出人脸的5个关键点的位置；
21.优选地，第一个子网络的输出向量大小为12*12*3，也就是两个值；
22.s23、通过全连接层，抑制误判率false-positive，去除非人脸框；
23.优选地，在输入r-net之前，缩放到24*24*3，网络的输出与p-net是相同的，这个步骤是为了去除大量的非人脸框；
24.s24、通过卷积层，进行人脸图像特征提取，提高图像数据处理结果的精细度。
25.输入的图像大小48*48*3，输出包括n个边界框的坐标信息，score以及关键点位置。
26.通过这个算法，得到用户人脸所处位置、当前环境等，再根据当前时间、地点、浏览内容等，生成推荐内容，再去匹配公告模板，最后优先推荐给用户。
27.进一步地，所述s22步骤的通过第二个子网络的输出给出候选框和边界框的精确位置的方法包括：
28.输出当前人脸的框相对于完美人脸的框的位置偏移，所述位置偏移包括：框的左上角的横坐标的相对偏移，框的左上角的纵坐标的相对偏移，框的宽度的误差，框的高度的误差。
29.输入的12*12的图像块可能并不是完美的人脸框的位置，如有的时候人脸并不正好为方形，有可能12
×
12的图像偏左或偏右，因此需要输出当前人脸的框位置相对完美的人脸框位置的偏移，即表示框左上角的横坐标的相对偏移，框左上角的纵坐标的相对偏移、框的宽度的误差、框的高度的误差。
30.进一步地，所述s22步骤的人脸的5个关键点的位置包括：
31.左眼的位置、右眼的位置、鼻子的位置、左嘴巴的位置、右嘴巴的位置。
32.每个关键点需要两维来表示，第三个子网络的输出向量大小为1*1*10。
33.本发明还提供基于数据分析和计算机视觉辅助的个性化公告系统，其特征在于，执行上述所述的基于数据分析和计算机视觉辅助的个性化公告方法，包括：
34.采集数据模块：用于采集用户观看公告姿态的视频图像数据，记录观看者的姿态信息；
35.数据分析模块：使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据，分析判辨观看者的姿态信息；
36.数据训练模块：用于分析大量的公告内容、观看者的姿态信息以及其他与公告相关联的融合数据信息特征，使用混合推荐算法对所述融合数据信息特征进行数据训练，对将来的公告内容进行推理。
37.进一步地，所述数据训练模块包括：
38.模型初始化子模块：构建基于卷积神经网络cnn和/或回归神经网络rnn的混合推荐算法网络模型，初始化权值；
39.数据计输入输出子模块：用于输入数据到所述混合推荐算法网络模型的输入层，经过卷积层、下采样层、全连接层的向前传播，得到输出层的输出值；
40.误差求解子模块：用于求出所述混合推荐算法网络模型的输出值与目标值之间的误差；当误差大于期望值时，将误差传回混合推荐算法网络模型中进行运算，依次求得全连接层、下采样层、卷积层的误差，直至误差等于或小于期望值；当误差等于或小于期望值时，结束训练；
41.权值更新子模块：根据求得的等于或小于期望值的误差进行所述混合推荐算法网络模型的权值更新。
42.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述所述的基于数据分析和计算机视觉辅助的个性化公告方法，以及如上述所述的基于数据分析和计算机视觉辅助的个性化公告系统。
43.本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于数据分析和计算机视觉辅助的个性化公告方法，以及如上述所述的基于数据分析和计算机视觉辅助的个性化公告系统。
44.与现有技术相比，本发明的有益效果在于：
45.本发明基于大数据分析和计算机视觉辅助方法，根据用户和场所等个性化定制公告内容，推送用户感兴趣以及关注较多的同类型的公告，自动分析用户观看姿态，无需用户自行输入，减轻了公告制作以及发布过程的负担，提高了公告的时效性和准确性。
附图说明
46.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
47.在附图中：
48.图1为本发明基于数据分析和计算机视觉辅助的个性化公告方法的流程图；
49.图2为本发明实施例计算机设备的构成示意图；
50.图3为本发明应用例的主流程和辅流程的流程框图；
51.图4为本发明实施例的三个子网络图；
52.图5为本发明实施例使用混合推荐算法对所述融合数据信息特征进行数据训练的方法流程图；
53.图6为本发明实施例使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据的方法流程图。
具体实施方式
54.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及
附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。
55.在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
56.应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
57.下面结合附图对本发明实施例作进一步详细说明。
58.本发明实施例提供基于数据分析和计算机视觉辅助的个性化公告方法，参见图1所示，包括如下步骤：
59.s1、采集用户观看公告姿态的视频图像数据，记录观看者的姿态信息；
60.s2、使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据，分析判辨观看者的姿态信息；
61.所述使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据的方法，参见图6所示，包括以下步骤：
62.s21、对采集到的用户视频图像数据(图片)进行缩放(resize)操作，将原始图像缩放成不同的尺度，生成图像金字塔，将不同尺度的图像送到三个子网络中进行训练，参见图4所示，以实现多尺度目标检测；
63.该步骤的目的是为可以检测到不同大小的人脸，从而实现多尺度目标检测；
64.s22、获得用户人脸区域的候选框和边界框的回归向量p-net：通过第一个子网络的输出判断该图像是否存在人脸；通过第二个子网络的输出给出候选框和边界框的精确位置；通过第三个子网络的输出给出人脸的5个关键点的位置；
65.本实施例中，第一个子网络的输出向量大小为12*12*3，也就是两个值；
66.所述通过第二个子网络的输出给出候选框和边界框的精确位置的方法包括：
67.输出当前人脸的框相对于完美人脸的框的位置偏移，所述位置偏移包括：框的左上角的横坐标的相对偏移，框的左上角的纵坐标的相对偏移，框的宽度的误差，框的高度的误差。
68.本实施例中，输入的12*12的图像块可能并不是完美的人脸框的位置，如有的时候人脸并不正好为方形，有可能12
×
12的图像偏左或偏右，因此需要输出当前人脸的框位置相对完美的人脸框位置的偏移，即表示框左上角的横坐标的相对偏移，框左上角的纵坐标的相对偏移、框的宽度的误差、框的高度的误差，本实施例中，这个偏移大小为1*1*4。
69.所述人脸的5个关键点的位置包括：
70.左眼的位置、右眼的位置、鼻子的位置、左嘴巴的位置、右嘴巴的位置。
71.每个关键点需要两维来表示，因此本实施例中的第三个子网络的输出向量大小为
1*1*10。
72.s23、通过全连接层，抑制误判率false-positive，去除非人脸框；
73.本实施例中，在输入r-net之前，缩放到24*24*3，网络的输出与p-net是相同的，这个步骤是为了去除大量的非人脸框；
74.s24、通过卷积层，进行人脸图像特征提取，提高图像数据处理结果的精细度。
75.输入的图像大小48*48*3，输出包括n个边界框的坐标信息，score以及关键点位置。
76.通过这个算法，得到用户人脸所处位置、当前环境等，再根据当前时间、地点、浏览内容等，生成推荐内容，再去匹配公告模板，最后优先推荐给用户。
77.s3、分析大量的公告内容、观看者的姿态信息以及其他与公告相关联的融合数据信息特征，使用混合推荐算法对所述融合数据信息特征进行数据训练，对将来的公告内容进行推理。
78.所述融合数据信息特征的种类包括：
79.场所、时间、环境、公告内容、观看者反馈、观看者姿态中的一种或多种的组合。
80.所述使用混合推荐算法对所述融合数据信息特征进行数据训练的方法，参见图5所示，包括以下步骤：
81.s31、构建基于卷积神经网络cnn和/或回归神经网络rnn的混合推荐算法网络模型，初始化权值；
82.s32、输入数据到所述混合推荐算法网络模型的输入层，经过卷积层、下采样层、全连接层的向前传播，得到输出层的输出值；
83.s33、求出所述混合推荐算法网络模型的输出值与目标值之间的误差；当误差大于期望值时，将误差传回混合推荐算法网络模型中进行运算，依次求得全连接层、下采样层、卷积层的误差(各层的误差可以理解为对于网络的总误差，网络应承担多少)，直至误差等于或小于期望值；当误差等于或小于期望值时，结束训练；
84.s34、根据求得的等于或小于期望值的误差进行所述混合推荐算法网络模型的权值更新。
85.本发明实施例还提供基于数据分析和计算机视觉辅助的个性化公告系统，其特征在于，执行上述所述的基于数据分析和计算机视觉辅助的个性化公告方法，包括：
86.采集数据模块：用于采集用户观看公告姿态的视频图像数据，记录观看者的姿态信息；
87.数据分析模块：使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据，分析判辨观看者的姿态信息；
88.数据训练模块：用于分析大量的公告内容、观看者的姿态信息以及其他与公告相关联的融合数据信息特征，使用混合推荐算法对所述融合数据信息特征进行数据训练，对将来的公告内容进行推理。
89.进一步地，所述数据训练模块包括：
90.模型初始化子模块：构建基于卷积神经网络cnn和/或回归神经网络rnn的混合推荐算法网络模型，初始化权值；
91.数据计输入输出子模块：用于输入数据到所述混合推荐算法网络模型的输入层，
经过卷积层、下采样层、全连接层的向前传播，得到输出层的输出值；
92.误差求解子模块：用于求出所述混合推荐算法网络模型的输出值与目标值之间的误差；当误差大于期望值时，将误差传回混合推荐算法网络模型中进行运算，依次求得全连接层、下采样层、卷积层的误差，直至误差等于或小于期望值；当误差等于或小于期望值时，结束训练；
93.权值更新子模块：根据求得的等于或小于期望值的误差进行所述混合推荐算法网络模型的权值更新。
94.应用例
95.参见图3所示，本发明实施例的应用流程包括：
96.主流程：公告服务端根据推荐算法将内容推送给web端显示。
97.第一辅流程：数据采集，包括场所，时间，环境，公告内容，观看者反馈等等，对这些采集到的数据进行分析，然后使用卷积神经网络进行数据训练，最后生成推荐模型到内容推荐。
98.第二辅流程：数据中包括摄像头的视频采集，采集之后需要对观看者的姿态等进行记录，记录之后放到第一辅流程中和其他数据一起进行分析。
99.第三辅流程：web端进行公告模板制作，根据不同场景，时间，人物等等制作不同的模板，然后通过后台数据匹配需要推荐的模板，将公告推送显示。
100.本发明实施例还提供一种计算机设备，图2是本发明实施例提供的一种计算机设备的结构示意图；参见附图图2所示，该计算机设备包括：输入装置23、输出装置24、存储器22和处理器21；所述存储器22，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例提供的基于数据分析和计算机视觉辅助的个性化公告方法；其中输入装置23、输出装置24、存储器22和处理器21可以通过总线或者其他方式连接，图2中以通过总线连接为例。
101.存储器22作为一种计算设备可读写存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例所述的基于数据分析和计算机视觉辅助的个性化公告方法对应的程序指令；存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等；此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件；在一些实例中，存储器22可进一步包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
102.输入装置23可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入；输出装置24可包括显示屏等显示设备。
103.处理器21通过运行存储在存储器22中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于数据分析和计算机视觉辅助的个性化公告方法。
104.上述提供的计算机设备可用于执行上述实施例提供的基于数据分析和计算机视觉辅助的个性化公告方法，具备相应的功能和有益效果。
105.本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行
指令在由计算机处理器执行时用于执行如上述实施例提供的基于数据分析和计算机视觉辅助的个性化公告方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、edo ram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等；存储介质可以还包括其它类型的存储器或其组合；另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统；第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
106.当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上实施例所述的基于数据分析和计算机视觉辅助的个性化公告方法，还可以执行本发明任意实施例所提供的基于数据分析和计算机视觉辅助的个性化公告方法中的相关操作。
107.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
108.以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于数据分析和计算机视觉辅助的个性化公告方法，其特征在于，包括：s1、采集用户观看公告姿态的视频图像数据，记录观看者的姿态信息；s2、使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据，分析判辨观看者的姿态信息；s3、分析大量的公告内容、观看者的姿态信息以及其他与公告相关联的融合数据信息特征，使用混合推荐算法对所述融合数据信息特征进行数据训练，对将来的公告内容进行推理。2.根据权利要求1所述的基于数据分析和计算机视觉辅助的个性化公告方法，其特征在于，所述s3步骤的使用混合推荐算法对所述融合数据信息特征进行数据训练的方法包括以下步骤：s31、构建基于卷积神经网络cnn和/或回归神经网络rnn的混合推荐算法网络模型，初始化权值；s32、输入数据到所述混合推荐算法网络模型的输入层，经过卷积层、下采样层、全连接层的向前传播，得到输出层的输出值；s33、求出所述混合推荐算法网络模型的输出值与目标值之间的误差；当误差大于期望值时，将误差传回混合推荐算法网络模型中进行运算，依次求得全连接层、下采样层、卷积层的误差，直至误差等于或小于期望值；当误差等于或小于期望值时，结束训练；s34、根据求得的等于或小于期望值的误差进行所述混合推荐算法网络模型的权值更新。3.根据权利要求1所述的基于数据分析和计算机视觉辅助的个性化公告方法，其特征在于，所述s3步骤的所述融合数据信息特征的种类包括：场所、时间、环境、公告内容、观看者反馈、观看者姿态中的一种或多种的组合。4.根据权利要求1所述的基于数据分析和计算机视觉辅助的个性化公告方法，其特征在于，所述s2步骤的使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据的方法包括以下步骤：s21、对采集到的用户视频图像数据进行缩放resize操作，将原始图像缩放成不同的尺度，生成图像金字塔，将不同尺度的图像送到三个子网络中进行训练，以实现多尺度目标检测；s22、获得用户人脸区域的候选框和边界框的回归向量p-net：通过第一个子网络的输出判断该图像是否存在人脸；通过第二个子网络的输出给出候选框和边界框的精确位置；通过第三个子网络的输出给出人脸的5个关键点的位置；s23、通过全连接层，抑制误判率false-positive，去除非人脸框；s24、通过卷积层，进行人脸图像特征提取，提高图像数据处理结果的精细度。5.根据权利要求4所述的基于数据分析和计算机视觉辅助的个性化公告方法，其特征在于，所述s22步骤的通过第二个子网络的输出给出候选框和边界框的精确位置的方法包括：输出当前人脸的框相对于完美人脸的框的位置偏移，所述位置偏移包括：框的左上角的横坐标的相对偏移，框的左上角的纵坐标的相对偏移，框的宽度的误差，框的高度的误差。
6.根据权利要求4所述的基于数据分析和计算机视觉辅助的个性化公告方法，其特征在于，所述s22步骤的人脸的5个关键点的位置包括：左眼的位置、右眼的位置、鼻子的位置、左嘴巴的位置、右嘴巴的位置。7.基于数据分析和计算机视觉辅助的个性化公告系统，其特征在于，执行权利要求1-6任一项所述的基于数据分析和计算机视觉辅助的个性化公告方法，包括：采集数据模块：用于采集用户观看公告姿态的视频图像数据，记录观看者的姿态信息；数据分析模块：使用卷积神经网络cnn和/或回归神经网络rnn处理所述视频图像数据，分析判辨观看者的姿态信息；数据训练模块：用于分析大量的公告内容、观看者的姿态信息以及其他与公告相关联的融合数据信息特征，使用混合推荐算法对所述融合数据信息特征进行数据训练，对将来的公告内容进行推理。8.根据权利要求7所述的基于数据分析和计算机视觉辅助的个性化公告方法，其特征在于，所述数据训练模块包括：模型初始化子模块：构建基于卷积神经网络cnn和/或回归神经网络rnn的混合推荐算法网络模型，初始化权值；数据计输入输出子模块：用于输入数据到所述混合推荐算法网络模型的输入层，经过卷积层、下采样层、全连接层的向前传播，得到输出层的输出值；误差求解子模块：用于求出所述混合推荐算法网络模型的输出值与目标值之间的误差；当误差大于期望值时，将误差传回混合推荐算法网络模型中进行运算，依次求得全连接层、下采样层、卷积层的误差，直至误差等于或小于期望值；当误差等于或小于期望值时，结束训练；权值更新子模块：根据求得的等于或小于期望值的误差进行所述混合推荐算法网络模型的权值更新。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-6任一项所述的基于数据分析和计算机视觉辅助的个性化公告方法，以及权利要求7或8所述的基于数据分析和计算机视觉辅助的个性化公告系统。10.一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于数据分析和计算机视觉辅助的个性化公告方法，以及权利要求7或8所述的基于数据分析和计算机视觉辅助的个性化公告系统。

技术总结
本发明提供基于数据分析和计算机视觉辅助的个性化公告方法及系统，所述方法包括以下步骤：采集用户观看公告姿态的视频图像数据，记录观看者的姿态信息；使用卷积神经网络CNN和/或回归神经网络RNN处理视频图像数据，判辨观看者的姿态信息；分析大量的公告内容、观看者的姿态信息以及其他与公告相关联的融合数据信息特征，使用混合推荐算法对融合数据信息特征进行数据训练，对将来的公告内容进行推理。本发明基于大数据分析和计算机视觉辅助方法，根据用户和场所等个性化定制公告内容，推送用户感兴趣以及关注较多的同类型的公告，自动分析用户观看姿态，无需用户自行输入，减轻了公告制作以及发布过程的负担，提高了公告的时效性和准确性。时效性和准确性。时效性和准确性。


技术研发人员：孔祥海 张新成 朱铭刚 邵雪娇
受保护的技术使用者：上海金桥信息科技有限公司
技术研发日：2023.04.20
技术公布日：2023/7/20